［崔思靜 李寶榮 潘碧瑩］

1 引言

近年來，隨著人工智能（AI）技術(shù)的不斷演進(jìn)，終端芯片制造廠商推出的中高端芯片都提供了深度神經(jīng)網(wǎng)絡(luò)（DNN）模型的加速計(jì)算能力，AI 應(yīng)用程序逐漸被廣泛落地于終端設(shè)備。盡管新一代智能終端的AI 處理單元能力越來越強(qiáng)大，但受限于設(shè)備自身有限的資源，AI 應(yīng)用的計(jì)算強(qiáng)度、內(nèi)存消耗和功耗備受關(guān)注。終端設(shè)備以及部分邊緣設(shè)備對離線運(yùn)行完整的DNN 模型推理，仍存在著嚴(yán)格的計(jì)算、內(nèi)存和能耗成本限制。

通過DNN 模型計(jì)算卸載的方式，將全部或部分的模型計(jì)算任務(wù)卸載到其他設(shè)備（包括云設(shè)備、邊緣設(shè)備或終端設(shè)備）上，是近年終端設(shè)備控制AI 資源成本的主要研究方向之一。以設(shè)備間協(xié)同推理計(jì)算的方式，能減輕原設(shè)備上計(jì)算、內(nèi)存占用、存儲(chǔ)、功率和所需數(shù)據(jù)速率的壓力，同時(shí)減小推理延遲，提高AI 應(yīng)用的服務(wù)質(zhì)量（QoS）。

本文即針對智能終端設(shè)備的DNN 計(jì)算卸載決策展開研究，文中第2 節(jié)介紹DNN 計(jì)算卸載決策技術(shù)發(fā)展現(xiàn)狀，第3 節(jié)針對智能終端特性對DNN 計(jì)算卸載系統(tǒng)管線進(jìn)行進(jìn)一步研究，同時(shí)提出一種適合智能終端AI 應(yīng)用落地的模型潛在分割點(diǎn)搜索策略，并在第4 節(jié)進(jìn)行系統(tǒng)仿真實(shí)驗(yàn)，最后在第5 節(jié)給出總結(jié)和展望。

2 計(jì)算卸載決策技術(shù)現(xiàn)狀

計(jì)算卸載決策主要解決的是終端設(shè)備決定卸載什么、卸載多少以及如何卸載的問題[1]。在DNN 模型計(jì)算卸載決策中，根據(jù)設(shè)備的處理能力、資源占用情況和網(wǎng)絡(luò)環(huán)境，將DNN 模型中計(jì)算密集、耗能密集的部分卸載到其他節(jié)點(diǎn)設(shè)備，而將隱私敏感和延遲敏感部分留在終端設(shè)備。由終端設(shè)備執(zhí)行模型特定部分的推理計(jì)算，再將剩余計(jì)算和中間結(jié)果發(fā)送到其他節(jié)點(diǎn)，由接收到計(jì)算任務(wù)和結(jié)果的一個(gè)或多個(gè)節(jié)點(diǎn)完成剩余部分的模型推理計(jì)算，并最終將推理結(jié)果返回給原終端設(shè)備。

DNN 模型結(jié)構(gòu)可被看作有向無環(huán)圖（DAG）?；贒NN 模型的計(jì)算卸載決策，則需基于模型結(jié)構(gòu)確定一組潛在的切割邊（即分割點(diǎn)），根據(jù)如最低計(jì)算時(shí)延、最小計(jì)算能耗等優(yōu)化目標(biāo)，從該組分割點(diǎn)中擇出最優(yōu)的分割點(diǎn)和分割模式。根據(jù)所選分割點(diǎn)將DNN 模型計(jì)算分解成多份計(jì)算任務(wù)，保證本地計(jì)算任務(wù)所需資源低于本設(shè)備可用資源的上限，同時(shí)優(yōu)化設(shè)備和各參與節(jié)點(diǎn)設(shè)備的計(jì)算、存儲(chǔ)/內(nèi)存、功率、通信資源的消耗。

如何確定模型內(nèi)所有的潛在分割點(diǎn)，是DNN 模型計(jì)算卸載決策的關(guān)鍵之一。在研究領(lǐng)域，一種常見的方式是將DNN 模型內(nèi)的每個(gè)神經(jīng)網(wǎng)絡(luò)層（如卷積層、池化層、全連接層等）視作DAG 的頂點(diǎn)，將層與層之間的每一條邊作為潛在的分割點(diǎn)[2～4]，以神經(jīng)網(wǎng)絡(luò)層為子任務(wù)單位，在設(shè)備之間分配計(jì)算任務(wù)。而針對資源受限的IoT 設(shè)備，則傾向于創(chuàng)建更細(xì)膩的計(jì)算任務(wù)顆粒度，通過模型并行技術(shù)，將卷積層和全連接層中的矩陣運(yùn)算進(jìn)一步分解為幾個(gè)可并行的矩陣運(yùn)算操作[5,6]，以每個(gè)操作節(jié)點(diǎn)作為DAG 中的頂點(diǎn)，可形成一組更加細(xì)致的模型潛在分割點(diǎn)。

確定潛在分割點(diǎn)后，即須根據(jù)優(yōu)化目標(biāo)對每個(gè)可能的計(jì)算任務(wù)進(jìn)行性能分析，以從中選擇最優(yōu)的分割點(diǎn)和分割模式。經(jīng)典的方法如Neurosurgeon[2]，對每個(gè)參與協(xié)同計(jì)算的設(shè)備，采用回歸模型對不同種類的神經(jīng)網(wǎng)絡(luò)層進(jìn)行計(jì)算時(shí)延或能耗的建模，以預(yù)測特定模型層在指定設(shè)備上所需要的時(shí)延或能量。另一方面，文獻(xiàn)[3]認(rèn)為設(shè)備軟硬件對連續(xù)的模型層存在加速行為，將每個(gè)模型層獨(dú)立出來做性能分析會(huì)存在一定偏差，應(yīng)對給定模型中的所有神經(jīng)網(wǎng)絡(luò)層組合作分析。這對智能終端可適用的DNN 模型計(jì)算卸載決策技術(shù)來說有借鑒意義。

3 基于智能終端的DNN 模型計(jì)算卸載決策研究

3.1 DNN 計(jì)算卸載系統(tǒng)管線設(shè)計(jì)

在管線設(shè)計(jì)中，智能終端可參與的DNN 模型計(jì)算卸載可分為DNN模型準(zhǔn)備和協(xié)同計(jì)算兩個(gè)階段，如圖1所示。

圖1 智能終端可參與的DNN 計(jì)算卸載系統(tǒng)管線

3.1.1 DNN 模型準(zhǔn)備階段

對于智能終端DNN 模型計(jì)算卸載決策技術(shù)的研究，還需結(jié)合智能終端AI 技術(shù)棧的特性討論。當(dāng)前各大終端芯片廠商如蘋果、華為海思、高通、聯(lián)發(fā)科等已相繼地在其終端產(chǎn)品上配備了NPU、AIP 和APU 等專用的AI 加速硬件單元芯片，并相應(yīng)推出了芯片專用的AI 模型格式。這要求應(yīng)用開發(fā)者在推出終端AI 應(yīng)用前，須使用芯片廠商提供的模型轉(zhuǎn)換工具，對已訓(xùn)練好的DNN 模型進(jìn)行格式上的轉(zhuǎn)換。由于涉及工序繁瑣，耗時(shí)較長，為不影響計(jì)算任務(wù)的分配和生成，模型切割需在協(xié)同推理決策前完成，這意味著DNN 模型內(nèi)所有潛在分割點(diǎn)須被提前定位。

在模型準(zhǔn)備階段，首先對給定的DNN 模型進(jìn)行潛在分割點(diǎn)搜索，隨后按照模型內(nèi)所有潛在的分割點(diǎn)，對DNN 模型進(jìn)行切割，并將切割后的模型（模型切片）轉(zhuǎn)換成目標(biāo)智能終端芯片專用的模型格式。在完成格式轉(zhuǎn)換后，對各模型切片在設(shè)備上的執(zhí)行性能進(jìn)行分析。如何結(jié)合智能終端特性，找出DNN 模型內(nèi)的潛在分割點(diǎn)，將在3.2節(jié)中展開。

3.1.2 DNN 協(xié)同計(jì)算階段

結(jié)合協(xié)同計(jì)算中的數(shù)據(jù)鏈條考慮，終端作為最靠近用戶的設(shè)備，其內(nèi)數(shù)據(jù)通常都與用戶信息緊密相關(guān)。在使用智能終端進(jìn)行DNN 模型計(jì)算卸載時(shí)，應(yīng)同時(shí)考慮到用戶的隱私安全，在管線中的協(xié)同計(jì)算階段引入相關(guān)保護(hù)機(jī)制。

DNN 模型計(jì)算推理階段，主要可包括5 個(gè)功能模塊，分別是啟動(dòng)和預(yù)處理、DNN 模型計(jì)算任務(wù)卸載決策、DNN 模型計(jì)算任務(wù)執(zhí)行、消息收發(fā)和后處理模塊。下面以協(xié)同計(jì)算場景中“任務(wù)發(fā)起方”“任務(wù)接收方”兩類設(shè)備角色為例，描述各模塊功能。

（1）啟動(dòng)和預(yù)處理模塊：任務(wù)發(fā)起方在啟動(dòng)后，首先確定需進(jìn)行計(jì)算卸載的DNN 模型信息，再調(diào)用DNN模型計(jì)算任務(wù)卸載決策模塊。同時(shí)，任務(wù)發(fā)起放根據(jù)所用模型，對原始輸入數(shù)據(jù)進(jìn)行相應(yīng)的預(yù)處理，以備后用。另一方面，任務(wù)接收方在啟動(dòng)后即注冊監(jiān)聽任務(wù)請求。

（2）DNN 模型計(jì)算任務(wù)卸載決策模塊：任務(wù)決策算法置入該模塊中。以每個(gè)模型切片的計(jì)算為子任務(wù)，根據(jù)模型切片的性能分析結(jié)果，將各子任務(wù)組合并分配到合適的設(shè)備上以達(dá)到給定的優(yōu)化目標(biāo)，輸出任務(wù)分配信息。

根據(jù)新時(shí)期人才培養(yǎng)的要求和目標(biāo)，要求畢業(yè)時(shí)具有創(chuàng)新能力和工程實(shí)踐能力的應(yīng)用型高級人才培養(yǎng)目標(biāo)和要求等，能夠運(yùn)用所學(xué)理論解決實(shí)際生產(chǎn)問題，因此，有效地實(shí)施案例教學(xué)法，可以將理論與生產(chǎn)實(shí)踐相結(jié)合，使學(xué)生感到所學(xué)課程與自己畢業(yè)后所從事的工作是密切相關(guān)的，認(rèn)識到在學(xué)校期間要學(xué)好專業(yè)課，從而激發(fā)學(xué)生的學(xué)習(xí)熱情和積極性，除了學(xué)習(xí)基礎(chǔ)理論知識，還要積極參與生產(chǎn)實(shí)踐活動(dòng)，在整個(gè)學(xué)習(xí)過程中，不斷將理論與實(shí)踐有機(jī)結(jié)合起來，通過實(shí)踐和理論學(xué)習(xí)，從感性認(rèn)識上升到理性認(rèn)識，能夠舉一反三、融匯貫通和觸類旁通，縮短理論教學(xué)與實(shí)際生產(chǎn)實(shí)踐相脫離的差距，使學(xué)生在畢業(yè)后很快適應(yīng)工作崗位的工作。

（3）DNN 模型計(jì)算任務(wù)執(zhí)行模塊：根據(jù)卸載決策模塊輸出的任務(wù)分配信息，模型計(jì)算任務(wù)執(zhí)行模塊確定需要在本地和遠(yuǎn)端執(zhí)行的子任務(wù)（即模型切片），構(gòu)建并執(zhí)行本地的計(jì)算任務(wù)。對任務(wù)發(fā)起方而言，在確認(rèn)本地任務(wù)后，以預(yù)處理輸入數(shù)據(jù)作為輸入，執(zhí)行相應(yīng)的模型切片計(jì)算。若無遠(yuǎn)端計(jì)算任務(wù)，任務(wù)發(fā)起方即調(diào)用后處理模塊對計(jì)算結(jié)果進(jìn)行解析，得到模型最終推理結(jié)果；若存在遠(yuǎn)端計(jì)算任務(wù)，則根據(jù)任務(wù)分配信息將計(jì)算結(jié)果發(fā)送至下一個(gè)設(shè)備，并調(diào)用消息收發(fā)模塊監(jiān)聽最終結(jié)果的返回。對任務(wù)接收方來說，在確認(rèn)本地任務(wù)后，即根據(jù)任務(wù)分配信息監(jiān)聽上一個(gè)設(shè)備傳輸?shù)挠?jì)算結(jié)果，以該結(jié)果為輸入完成執(zhí)行本地任務(wù)計(jì)算后，調(diào)用消息收發(fā)模塊將計(jì)算所得發(fā)送至下一個(gè)設(shè)備。

（4）消息收發(fā)模塊：主要負(fù)責(zé)計(jì)算結(jié)果、計(jì)算任務(wù)信息等消息的發(fā)送、監(jiān)聽和接收，根據(jù)協(xié)議組裝或解析相關(guān)數(shù)據(jù)。同時(shí)，該模塊中可置入數(shù)據(jù)隱私增強(qiáng)相關(guān)算法，如差分隱私[8]和多方安全計(jì)算[9]等，以保護(hù)數(shù)據(jù)中的隱私信息不被泄露。

（5）后處理模塊：負(fù)責(zé)解析最終計(jì)算結(jié)果，得到DNN 模型的最終推理結(jié)果。以圖像識別應(yīng)用為例，后處理模塊將計(jì)算結(jié)果進(jìn)行標(biāo)簽解碼，輸出圖像的標(biāo)簽作為識別結(jié)果。該模塊僅位于任務(wù)發(fā)起方，其目的是使任務(wù)接收方對計(jì)算結(jié)果的用途不可知，從一定程度上保護(hù)用戶的隱私。

3.2 DNN 模型潛在分割點(diǎn)搜索

如第2 節(jié)所述，DNN 模型計(jì)算卸載中的子任務(wù)單位通常為神經(jīng)網(wǎng)絡(luò)層，或?qū)ι窠?jīng)網(wǎng)絡(luò)層內(nèi)的運(yùn)算做進(jìn)一步分解，產(chǎn)生更小顆粒的子任務(wù)、更多的潛在的分割點(diǎn)。此類分割顆粒度對智能終端來說并不經(jīng)濟(jì)。一方面，越細(xì)化的模型分割意味著在模型準(zhǔn)備過程中會(huì)產(chǎn)生越多的模型切片，模型格式的轉(zhuǎn)換工作也隨之成比例增加，這將使得整個(gè)模型生成的周期被延長。另一方面，設(shè)備軟硬件對連續(xù)的神經(jīng)網(wǎng)絡(luò)層有加速的效果，而智能終端的AI 芯片對常用的神經(jīng)網(wǎng)絡(luò)層運(yùn)算也設(shè)計(jì)了加速優(yōu)化，若以一個(gè)神經(jīng)網(wǎng)絡(luò)層或網(wǎng)絡(luò)層中一部分運(yùn)算作為一個(gè)模型切片，將失去這些優(yōu)化所帶來的效益。

此外，潛在分割點(diǎn)數(shù)量的增加會(huì)增加協(xié)同計(jì)算階段中DNN 模型計(jì)算任務(wù)卸載決策模塊的壓力，面對體量較大的DNN 模型，需要評估數(shù)百甚至上千個(gè)可能的分配策略，這對執(zhí)行計(jì)算卸載決策的設(shè)備提出了較高的算力要求。對于需要終端側(cè)決策的場景來說，這將成為一個(gè)可能的計(jì)算瓶頸。

綜合考量，為盡可能縮短終端AI 模型生成周期、保證DNN 模型計(jì)算速度，同時(shí)使計(jì)算卸載決策更加輕量，在模型準(zhǔn)備階段需在神經(jīng)網(wǎng)絡(luò)層的基礎(chǔ)上進(jìn)一步縮小潛在分割點(diǎn)的范圍，放大子任務(wù)顆粒度，減少子任務(wù)的組合可能。

本文提出一種潛在分割點(diǎn)預(yù)判策略，從優(yōu)化計(jì)算卸載過程中可能的時(shí)延開銷的角度出發(fā)，對DNN 模型內(nèi)以各神經(jīng)網(wǎng)絡(luò)層為單位的子任務(wù)做進(jìn)一步組合，如表1 所示。除了模型計(jì)算時(shí)延，計(jì)算卸載的時(shí)延開銷還包括數(shù)據(jù)傳輸時(shí)延，該時(shí)延與其所傳輸?shù)臄?shù)據(jù)量呈正比。當(dāng)分割點(diǎn)逐步向模型深層移動(dòng)時(shí)，本地終端上需要計(jì)算的神經(jīng)網(wǎng)絡(luò)層將增加，其計(jì)算時(shí)間也將隨之單調(diào)遞增。而中間數(shù)據(jù)的傳輸時(shí)間未必會(huì)隨著計(jì)算層數(shù)的增加而遞增，如卷積層的輸出結(jié)果常保持輸入和輸出數(shù)據(jù)的大小一致，而池化層則有數(shù)據(jù)降維的作用。因此，可遵循計(jì)算順序，以輸出數(shù)據(jù)量遞減為原則，篩選潛在分割點(diǎn)，生成以模型塊為單位的子任務(wù)，每個(gè)模型塊中可包含一到多個(gè)連續(xù)的神經(jīng)網(wǎng)絡(luò)層，在本地計(jì)算時(shí)間遞增的情況下，保持通信工作量是遞減的。

表1 DNN 模型潛在分割點(diǎn)搜索偽代碼表

4 系統(tǒng)實(shí)驗(yàn)

4.1 DNN 模型分割

實(shí)驗(yàn)中使用的DNN 模型為VGG16[10]。如圖2 所示，基于3.2 節(jié)的DNN 模型潛在分割點(diǎn)預(yù)判測策略，相比于將每個(gè)神經(jīng)網(wǎng)絡(luò)層連接視作潛在的分割點(diǎn)，本方案顯著減少了潛在分割點(diǎn)的數(shù)量，使模型準(zhǔn)備階段中的模型切割和格式轉(zhuǎn)換工作得到簡化。如表2 所示，VGG16 最終被分割成7 份模型切片，即7 個(gè)子任務(wù)，可有效縮小卸載決策的搜索空間，從一定程度上可加速?zèng)Q策過程，節(jié)省端側(cè)資源。

圖2 VGG16 各神經(jīng)網(wǎng)絡(luò)層輸出數(shù)據(jù)量及 所提出搜索策略所得模型潛在分割點(diǎn)圖

表2 基于策略所得潛在分割點(diǎn)劃分的子任務(wù)

4.2 仿真實(shí)驗(yàn)結(jié)果

仿真實(shí)驗(yàn)建立在“終端-邊緣”參與的DNN 協(xié)同推理場景上。由Rasperry Pi 4b（RPi）作為任務(wù)發(fā)起設(shè)備，與邊緣設(shè)備PC 協(xié)作完成基于ImageNet[16]圖像識別的VGG16 模型計(jì)算任務(wù)，并利用Docker 容器[12]創(chuàng)建相關(guān)軟件堆棧。詳細(xì)的設(shè)備信息參如表3 所示。仿真系統(tǒng)使用Python3 及TensorFlow 機(jī)器學(xué)習(xí)框架[11]。設(shè)備通信基于無線LAN，采用protobuf 和gRPC[13]進(jìn)行數(shù)據(jù)傳輸。

表3 仿真設(shè)備信息

系統(tǒng)管線中的DNN 模型計(jì)算任務(wù)卸載決策模塊設(shè)置于RPi 終端側(cè)，以設(shè)備間協(xié)作完成推理運(yùn)算的總耗時(shí)最小為優(yōu)化目標(biāo)。推理過程的時(shí)延具體包括模型切片在各設(shè)備上的計(jì)算時(shí)延，以及中間結(jié)果的傳輸時(shí)延。在“設(shè)備A-設(shè)備B”協(xié)同場景下，假設(shè)模型M 已被分割為N 個(gè)子任務(wù){(diào)Mslice1,Mslice2,…,MsliceN}，則需找到一個(gè)最優(yōu)卸載點(diǎn)k，1 ≤k≤N，使

其中，TAcomp（Mslicei）為子任務(wù)Mslicei在設(shè)備A上運(yùn)行時(shí)預(yù)計(jì)所需計(jì)算時(shí)延，TBcomp（Mslicej）為子任務(wù)Mslicej在設(shè)備B 上運(yùn)行時(shí)預(yù)計(jì)所需計(jì)算時(shí)延。Output（Mslicek）為子任務(wù)Mslicek輸出的中間結(jié)果，Ttrans（Output（Mslicek））則是該結(jié)果從A 傳輸至B 時(shí)預(yù)計(jì)所需時(shí)延。得到最優(yōu)卸載點(diǎn)k后，子任務(wù)集合{Mslicek+1,…,MsliceN}組成設(shè)備A 的計(jì)算任務(wù)，{Mslice1,…,Mslicek}則為設(shè)備B計(jì)算任務(wù)。

實(shí)驗(yàn)中子任務(wù)計(jì)算時(shí)延通過統(tǒng)計(jì)歷史計(jì)算時(shí)延獲得。在不同的網(wǎng)絡(luò)帶寬下，系統(tǒng)基于不同的卸載點(diǎn)預(yù)測得到不同的模型協(xié)同推理耗時(shí)如圖3 至圖6 所示。由圖3 可見，RPi 本地計(jì)算從block6 子任務(wù)上開始出現(xiàn)明顯的瓶頸，這是由于block6 和block7 主要為全連接層的計(jì)算，它涉及大量參數(shù)加載，RPi 自身內(nèi)存無法滿足其需求，會(huì)使用芯片外存儲(chǔ)作為交換內(nèi)存，致使執(zhí)行性能大受影響。RPi 最終的卸載決策結(jié)果如表4 所示。

表4 各帶寬下DNN 計(jì)算卸載決策后各設(shè)備計(jì)算任務(wù)分配情況

圖3 帶寬17.5 Mbit/s 下基于VGG16 模型內(nèi)各潛在卸載點(diǎn)預(yù)測所得協(xié)同推理總時(shí)延

圖4 帶寬1.75 Mbit/s 下基于VGG16 模型內(nèi) 各潛在卸載點(diǎn)預(yù)測所得協(xié)同推理總時(shí)延

圖5 帶寬175 kbit/s 下基于VGG16 模型內(nèi) 各潛在卸載點(diǎn)預(yù)測所得協(xié)同推理總時(shí)延

圖6 帶寬17.5 kbit/s 下基于VGG16 模型內(nèi) 各潛在卸載點(diǎn)預(yù)測所得協(xié)同推理總時(shí)延

基于所得計(jì)算卸載決策，端邊協(xié)同系統(tǒng)最終實(shí)際能達(dá)到的加速效果通過完整模型推理在RPi 上所耗時(shí)延與端邊協(xié)同推理所耗時(shí)延之間的比值反映。如圖7 所示，端邊協(xié)同計(jì)算的速度對比純RPi 終端側(cè)計(jì)算提速超過4 倍，當(dāng)帶寬達(dá)到17.5 Mbit/s 時(shí)，加速可提至5 倍。

圖7 各帶寬下VGG16 模型端邊協(xié)同實(shí)際推理的加速效果

5 總結(jié)與展望

本文圍繞智能終端特性對DNN 模型計(jì)算卸載決策技術(shù)的研究，主要包括DNN 模型潛在分割點(diǎn)搜索和DNN計(jì)算卸載系統(tǒng)管線設(shè)計(jì)。DNN 模型潛在分割點(diǎn)搜索策略中，遵循計(jì)算順序，以減少協(xié)同計(jì)算的通信開銷為原則，對模型內(nèi)的潛在分割點(diǎn)進(jìn)行預(yù)判，從而生成以模型塊為單位的子任務(wù)，縮小后續(xù)決策優(yōu)化的搜索空間，同時(shí)保證DNN 模型計(jì)算速度。通過放大子任務(wù)顆粒度的方式，可提高AI 模型在終端的部署效率，同時(shí)使計(jì)算卸載決策更加輕量。系統(tǒng)管線設(shè)計(jì)中將智能終端可參與的DNN 模型計(jì)算卸載可分為模型準(zhǔn)備和協(xié)同計(jì)算兩個(gè)階段，并在設(shè)計(jì)中融入對用戶隱私安全的考量。通過對該系統(tǒng)進(jìn)行端邊AI 協(xié)同計(jì)算場景的仿真，可知該模式能有效節(jié)省單終端計(jì)算資源，加速終端AI 應(yīng)用的計(jì)算速度。

隨著5G 技術(shù)和物聯(lián)網(wǎng)的發(fā)展，未來將有更多設(shè)備參與到協(xié)同計(jì)算場景中，為此我們將對決策算法進(jìn)行優(yōu)化，使其能在多設(shè)備間做出高效的任務(wù)卸載決策。此外，應(yīng)用與容器技術(shù)的結(jié)合，也將提高AI 應(yīng)用在端側(cè)上的部署效率，使AI 應(yīng)用可以更輕量、更高效、更便捷、更廣泛地落地于終端，促進(jìn)終端的智能化升級。